Améliorer la collaboration entre les milieux communautaires et judiciaires en violences sexospécifiques
Bibliographic record
Abstract
Cet article explore les enjeux des collaborations intersectorielles dans l’accompagnement sociojudiciaire de femmes victimes de violences sexospécifiques (violences sexuelles, conjugales ou exploitation sexuelle), qui appartiennent à des groupes marginalisés (les communautés autochtones, noires, racisées, immigrantes, les personnes en situation de handicap, Sourdes ou encore les minorités sexuelles et de genre). À travers une recherche partenariale menée auprès d’intervenantes communautaires au Québec (n=48), il met en lumière les pratiques collaboratives intersectorielles et les défis rencontrés lors de l’accompagnement des femmes dans leurs démarches judiciaires. Les expériences des participantes ont été documentées par le biais de questionnaires et d’entretiens, individuels ou de groupe, menés entre le printemps 2020 et l’hiver 2021. Ancrée dans une perspective féministe intersectionnelle, l’analyse thématique des données a permis de dégager quatre principaux axes de collaboration : l’établissement de partenariats sous tension avec les milieux policiers, la coordination et la communication entre les différents secteurs, l’accompagnement des femmes dans leurs interactions avec les acteurs et actrices du système judiciaire et les initiatives de sensibilisation et de formation des professionnel·le·s. Les analyses révèlent que, bien que ces collaborations aient le potentiel d’améliorer l’accès à la justice, elles sont souvent entravées par des lacunes en matière de reconnaissance des rôles des intervenantes, des disparités régionales et par un manque de sensibilisation aux réalités des femmes marginalisées. L’article conclut en insistant sur quelques recommandations tirées des résultats et discutées à la lumière de la littérature scientifique et grise : renforcer les partenariats intersectoriels, intégrer une analyse féministe intersectionnelle dans les pratiques judiciaires, et soutenir les organismes communautaires afin de garantir un accès équitable à la justice pour toutes les femmes qui le souhaitent.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.020 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.018 | 0.010 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.015 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".